Seed Audio 1.5 : traduisez et doublez vos vidéos avec la même voix
Un seul modèle pour la voix, les bruitages et la musique, piloté par votre vidéo
Seed Audio 1.5 est le nouveau modèle audio de ByteDance. Il prend une vidéo, l'écoute et écrit une nouvelle bande-son : le même narrateur qui parle japonais, un doublage calé sur l'image, ou la voix, la musique et les effets séparés en pistes distinctes. Vous pouvez traduire vers 30 langues, dont le français. En accès anticipé, nous l'avons utilisé pour traduire un film d'animation de 9 minutes en 12 langues. Voici ce qu'il a bien fait, ses faux pas, et comment obtenir le même résultat.
Doitong est une plateforme indépendante, non affiliée à ByteDance.
Notre test : un film, 12 langues, le même narrateur
Nous avons pris « The Last Ordinary Day in Pompeii », un film d'animation historique de 9 minutes avec narration en anglais, et l'avons passé dans la traduction vidéo de Seed Audio 1.5, une fois par langue. Lancez la vidéo, puis ouvrez Paramètres → Piste audio pour passer de l'original anglais aux 12 traductions, y compris la piste en français.
Pistes audio de cette vidéo : anglais (original), plus russe, allemand, français, espagnol (Espagne), italien, japonais, coréen, néerlandais, suédois, danois, norvégien et finnois.
- Durée du film
- 9:00
- Langues
- 12
- Temps par requête
- 2,6–3,3 min
- Écart de durée
- < 0,03 s
Comment nous avons mené le test
Les chiffres ci-dessus viennent de nos propres journaux, pas d'un communiqué de presse. Trois détails comptent si vous voulez reproduire le test.
Découpage à une pause
Une requête accepte une vidéo de 4 à 360 secondes. Le film de 9 minutes a donc été envoyé en deux parties, coupées à une pause naturelle : 4:43 et 4:17. Douze langues, c'était 24 requêtes, et chacune est revenue en 157 à 200 secondes.
La durée a tenu
Chaque partie traduite est revenue avec la durée de l'original. La première partie fait 283,26 secondes contre 283,29 pour la source, la seconde 256,83 contre 256,83, et les chiffres étaient les mêmes dans toutes les langues. La nouvelle narration s'est posée sur l'image sans aucun recalage.
Nous n'avons envoyé que la voix
Nous avons donné au modèle la narration sans musique, puis remixé notre propre musique et nos effets après coup. Conserver la musique et les effets dans la traduction est une fonction annoncée du modèle, mais ce test précis ne s'y est pas appuyé.
Ce que Seed Audio 1.5 sait faire
La version 1.5 est le premier modèle Seed Audio qui accepte la vidéo. Ce seul changement ouvre la plupart des usages ci-dessous.
Traduire une vidéo avec la même voix
De l'anglais ou du chinois vers 30 langues. La voix garde le caractère du locuteur, et les effets d'origine comme la musique de fond restent en place : seule la parole change.
Doubler une vidéo à partir d'une description
Donnez-lui une vidéo et décrivez ce qui doit s'entendre : les répliques, les voix, les effets, la musique. Il écrit un audio calé sur l'image. Il n'inventera pas le scénario à votre place.
Séparer l'audio en stems
Envoyez un fichier audio et récupérez les voix, les effets et la musique en pistes distinctes, six au maximum, prêtes pour une session de mixage.
Sonoriser un clip muet
Demandez une ambiance, des pas, une porte, un fond musical, et placez chaque élément sur la timeline grâce aux timestamps du prompt.
Cloner une voix
Jusqu'à six extraits de référence de 2 à 30 secondes chacun définissent le timbre. Associez une référence à une vidéo et le doublage est prononcé avec cette voix.
Écrire des chansons avec paroles
De la musique jusqu'à six minutes à partir d'un brief écrit, avec des paroles chantées en anglais, chinois, japonais, coréen ou cantonais.
Limites de Seed Audio 1.5
Limites tirées du guide d'intégration en accès anticipé de ByteDance. Vérifiez-les avant de découper votre vidéo.
| Entrée | Limite |
|---|---|
| Durée de la vidéo | 4–360 secondes par requête |
| Formats vidéo | MP4, MOV |
| Résolution vidéo | 480p, 720p ou 1080p |
| Taille du fichier vidéo | Jusqu'à 200 Mo |
| Extraits de référence de la voix | Jusqu'à 6, de 2 à 30 s chacun, 180 s au total |
| Audio pour la séparation en stems | Un fichier, 2–360 s, jusqu'à 90 Mo, WAV ou MP3 |
| Sortie | Valeur |
|---|---|
| Audio le plus long par requête | 6 minutes |
| Pistes de stems | Jusqu'à 6 |
| Formats | WAV (par défaut), MP3, PCM, OGG Opus |
| Fréquence d'échantillonnage par défaut | 44,1 kHz |
| Langues pour la parole | 30 |
| Langue source de la traduction vidéo | Anglais ou chinois, ou détection automatique |
Source : guide d'intégration en accès anticipé de Seed Audio 1.5 par ByteDance, octobre 2026. Les limites peuvent évoluer après la sortie.
30 langues
Seed Audio 1.5 parle ces langues. La traduction vidéo part de l'anglais ou du chinois vers n'importe laquelle d'entre elles.
Les paroles de chansons sont prises en charge dans un éventail plus restreint : anglais, chinois, japonais, coréen et cantonais.
Des prompts qui fonctionnent
Le guide de prompts de ByteDance décrit trois niveaux : une description simple, un script qui fixe l'ordre des événements, et une timeline à la seconde près. Commencez simple et n'ajoutez des timestamps que là où le timing compte. Les prompts restent en anglais, langue que le modèle suit le mieux.
Une voix off simple
Generate only this speaker as dry, close-miked speech. No music, no sound effects, no room reverb, no second speaker. A calm adult female voice at a steady pace reads: “Most people in Pompeii woke up that morning expecting an ordinary day.”
D'abord les contraintes, ensuite la voix, enfin les mots exacts. Dire ce qui ne doit pas apparaître compte autant que ce qui doit apparaître.
Une scène minutée
[0.0s:12.0s] Soft market ambience under the whole scene. [0.5s:1.5s] A wooden cart rolls past. [2.0s:6.5s] An old man, warm and unhurried, says: “Bread, still warm from the oven.” [7.0s:12.0s] A low drum rumble rises in the distance.
Les timestamps placent chaque son sur la timeline, pour que l'audio s'aligne sur les coupes que vous avez déjà faites.
Les points de vigilance
Ce que nous avons rencontré en test, et ce que la documentation indique clairement.
- Les noms propres et les mots rares peuvent varier d'une prise à l'autre. Dans la traduction russe de notre deuxième film de test, situé à Londres en 1666, l'ancien terme désignant un bateau de la Tamise est sorti de travers et le nom d'un personnage a changé de forme. La traduction vidéo accepte un glossaire : listez les noms avant de lancer le traitement.
- Le doublage demande une description. Seed Audio 1.5 n'écrit pas les répliques tout seul ; dites-lui ce qui est dit et ce qui s'entend.
- Il produit du son, pas des mouvements de lèvres. Une voix traduite garde le timing de l'original, mais les bouches à l'écran ne sont pas redessinées.
- Une requête couvre jusqu'à 6 minutes. Les vidéos plus longues doivent être découpées, et une coupure au milieu d'une phrase s'entend : coupez à une pause.
- La traduction vidéo part de l'anglais ou du chinois. Une vidéo dans une autre langue ne peut pas être traduite directement.
- Ne clonez que des voix dont vous avez le droit de vous servir.
FAQ Seed Audio 1.5
Qu'est-ce que Seed Audio 1.5 ?
Seed Audio 1.5 est un modèle de génération audio de ByteDance, sorti le 28 octobre 2026. Il produit parole, bruitages et musique en une seule passe, et c'est la première version de Seed Audio qui accepte la vidéo, ce qui rend possibles le doublage vidéo et la traduction vidéo avec la même voix.
Seed Audio 1.5 peut-il traduire une vidéo avec la même voix ?
Oui. La traduction vidéo refait la parole dans une autre langue en gardant le caractère de la voix du locuteur, et conserve les bruitages et la musique d'origine. Dans notre test, une narration anglaise de 9 minutes est revenue en 12 langues, chacune avec la même durée que l'original.
Quelles langues Seed Audio 1.5 prend-il en charge ?
30 langues pour la parole, dont l'anglais, le chinois, le japonais, le coréen, l'espagnol (Espagne et Mexique), le portugais (Brésil et Portugal), l'allemand, le français, le russe, l'arabe et l'hindi. La traduction vidéo part de l'anglais ou du chinois vers n'importe laquelle des 30.
Quelle durée de vidéo peut-on traiter ?
Une requête accepte une vidéo de 4 à 360 secondes, jusqu'à 200 Mo, en 480p, 720p ou 1080p. Pour un film plus long, découpez-le aux pauses et traduisez les parties une par une, comme nous l'avons fait avec le film de 9 minutes sur Pompéi.
Combien de temps dure une traduction ?
Dans nos essais, chaque partie d'environ quatre minutes et demie a pris entre 157 et 200 secondes par langue.
Seed Audio 1.5 fait-il de la synchronisation labiale ?
Non. Il génère de l'audio. La voix traduite suit le timing de l'original, mais la vidéo elle-même, mouvements de lèvres compris, n'est pas modifiée.
Peut-il séparer la voix, la musique et les bruitages ?
Oui. Donnez-lui un fichier audio de 6 minutes maximum et il renvoie les voix, les effets et la musique en pistes séparées, six au total au maximum.
Qu'est-ce qui change par rapport à Seed Audio 1.0 ?
Seed Audio 1.5 ajoute l'entrée vidéo, qui apporte le doublage et la traduction vidéo. Il ajoute aussi la séparation en stems et la musique jusqu'à 6 minutes, accepte jusqu'à six extraits de référence de voix, produit jusqu'à 6 minutes d'audio par requête et parle 30 langues.
Seed Audio 1.5 est-il le même modèle que Seed Audio 2.0 ?
Certains sites présentent le prochain modèle sous le nom de Seed Audio 2.0. La documentation d'accès anticipé de ByteDance l'appelle Seed Audio 1.5, et c'est le nom que nous employons.
Doitong est-il affilié à ByteDance ?
Non. Doitong est une plateforme vidéo IA indépendante. Nous avons eu un accès anticipé à Seed Audio 1.5 et nous décrivons ici nos propres résultats.
Ce que vous pouvez faire avec Seed Audio 1.5
Donnez à votre vidéo une voix dans une autre langue
Commencez par un court extrait, vérifiez les noms, puis lancez le film entier.
Commencer dans Doitong